[发明专利]人脸防伪检测方法及系统

权利要求书

1.一种人脸防伪检测方法，其特征在于，包括：

样本数据集构建步骤，用于获取采集样本并根据所述采集样本基于非防伪特征信息采集若干正样本对及若干负样本对，建立样本数据集；

人脸防伪检测模型构建步骤，用于基于CDCN网络及分类器构建得到所述人脸防伪检测模型；

模型预训练步骤，用于将所述样本数据集输入所述人脸防伪检测模型进行训练以调整所述人脸防伪检测模型的权重，得到预训练后的人脸防伪检测模型；

人脸防伪检测步骤，用于将一待检测人脸图像输入预训练后的所述人脸防伪检测模型，得到检测结果。

2.根据权利要求1所述的人脸防伪检测方法，其特征在于，所述样本数据集构建步骤进一步包括：

正样本对获取步骤，用于以非防伪特征信息作为变量从所述采集样本中获取正样本对；

负样本对获取步骤，用于从所述采集样本中获取相同场景下身份信息相同的真、伪人脸图像组成负样本对。

3.根据权利要求1或2所述的人脸防伪检测方法，其特征在于，所述正样本对获取步骤进一步包括：

第一正样本对获取步骤，用于从所述采集样本中获取相同场景下身份信息相同但光线信息和/或运动信息不同的人脸图像组成第一正样本对；

第二正样本对获取步骤，用于从所述采集样本中获取具有同一身份信息的场景不同的人脸图像组成第二正样本对；

第三正样本对获取步骤，用于从所述采集样本中获取不同身份信息的人脸图像组成第三正样本对；

第四正样本对获取步骤，用于从所述采集样本中获取同一攻击类型的人脸图像组成第四正样本对。

4.根据权利要求3所述的人脸防伪检测方法，其特征在于，所述模型预训练步骤中，通过循环随机抽取所述样本数据集中的正样本对和负样本对进行模型训练。

5.根据权利要求1所述的人脸防伪检测方法，其特征在于，所述CDCN网络基于CenterLoss损失函数和MSE Loss损失函数自动调整网络权重。

6.一种人脸防伪检测系统，其特征在于，包括：

样本数据集构建模块，用于获取采集样本并根据所述采集样本基于非防伪特征信息采集正样本对及负样本对，建立样本数据集；

人脸防伪检测模型构建模块，用于基于CDCN网络及分类器构建得到所述人脸防伪检测模型；

模型预训练模块，用于将所述样本数据集输入所述人脸防伪检测模型进行训练以调整所述人脸防伪检测模型的权重，得到预训练后的人脸防伪检测模型；

人脸防伪检测模块，用于将一待检测人脸图像输入预训练后的所述人脸防伪检测模型，得到检测结果。

7.根据权利要求6所述的人脸防伪检测系统，其特征在于，所述样本数据集构建模块进一步包括：

正样本对获取模块，用于以非防伪特征信息作为变量从所述采集样本中获取正样本对；

负样本对获取模块，用于从所述采集样本中获取相同场景下身份信息相同的真、伪人脸图像组成负样本对。

8.根据权利要求6或7所述的人脸防伪检测系统，其特征在于，所述正样本对获取模块进一步包括：

第一正样本对获取模块，用于从所述采集样本中获取相同场景下身份信息相同但光线信息和/或运动信息不同的人脸图像组成第一正样本对；

第二正样本对获取模块，用于从所述采集样本中获取具有同一身份信息的场景不同的人脸图像组成第二正样本对；

第三正样本对获取模块，用于从所述采集样本中获取不同身份信息的人脸图像组成第三正样本对；

第四正样本对获取模块，用于从所述采集样本中获取同一攻击类型的人脸图像组成第四正样本对。

9.根据权利要求8所述的人脸防伪检测系统，其特征在于，述模型预训练模块中，通过循环随机抽取所述样本数据集中的正样本对和负样本对进行模型训练。

10.根据权利要求6所述的人脸防伪检测系统，其特征在于，所述CDCN网络基于CenterLoss损失函数和MSE Loss损失函数自动调整网络权重。